Récemment, certains systèmes de physiothérapie basés sur les squelettes ont été proposés afin d’évaluer automatiquement la justesse ou la qualité d’un exercice effectué par un patient en rééducation. Toutefois, en ce qui concerne les algorithmes et les critères d’évaluation, cette tâche reste encore peu explorée en ce qui concerne l’exploitation optimale des différentes caractéristiques du squelette. Pour progresser par rapport aux travaux antérieurs, nous proposons un cadre d’apprentissage appelé Réseau de convolution sur graphe par ensembles (EGCN) pour l’évaluation des exercices de rééducation basée sur les squelettes. À notre connaissance, il s’agit du premier essai qui exploite à la fois deux groupes de caractéristiques squelettiques et qui examine différentes stratégies d’ensemblage pour cette tâche. Nous examinons également la pertinence des critères d’évaluation existants et nous nous concentrons sur l’évaluation de la capacité prédictive de notre méthode proposée. Nous menons ensuite des expériences d’auto-évaluation croisée approfondies sur deux jeux de données publics récents : UI-PRMD et KIMORE. Les résultats montrent que le schéma d’ensemblage au niveau du modèle de notre EGCN obtient de meilleures performances que les méthodes existantes. Le code est disponible à l’adresse suivante : https://github.com/bruceyo/EGCN.